Propriétés thermophysiques (c'est-à-dire conductivité thermique) des polymères prédits par apprentissage par transfert (TL). Le groupe de recherche conjoint a réussi à construire un modèle d'apprentissage automatique capable de prédire par extrapolation trois nouveaux polymères qui résidaient aux extrémités de la distribution des données d'entraînement (Yamada, Liu et autres; ACS Central Science 2019). Ceci a été réalisé en soumettant des modèles pré-entraînés (par exemple, modèles des températures de transition vitreuse des polymères et des capacités thermiques spécifiques des petites molécules) dans la bibliothèque XenonPy.MDL pour transférer l'apprentissage en utilisant seulement 19 ensembles de données d'apprentissage sur la conductivité thermique des polymères. Crédit :Ryo Yoshida
Un groupe de recherche conjoint composé de l'Institut de mathématiques statistiques (ISM) et de l'Institut national des sciences des matériaux (NIMS) a développé environ 140, 000 modèles de machine learning capables de prédire 45 types différents de propriétés physiques dans de petites molécules, polymères et matériaux inorganiques. Le groupe conjoint a ensuite rendu XenonPy.MDL, une bibliothèque de modèles pré-entraînés, accessible au public.
XenonPy, une plate-forme open source pour la recherche en informatique des matériaux (MI), a été développée conjointement par le NIMS et une équipe de l'ISM Data Science Center for Creative Design and Manufacturing. XenonPy utilise des algorithmes d'apprentissage automatique pour effectuer diverses tâches de MI. Les utilisateurs de XenonPy peuvent exécuter les modèles pré-entraînés disponibles dans la bibliothèque XenonPy.MDL via l'interface de programmation d'application (API) et les utiliser pour créer une variété de flux de travail de conception de matériaux. Le groupe conjoint a récemment signalé la libération de XenonPy.MDL dans un article de recherche publié dans ACS Science centrale , un journal de l'American Chemical Society.
En outre, comme décrit dans l'article, le groupe a réussi à démontrer le grand potentiel de l'apprentissage par transfert pour surmonter le problème des quantités limitées de données sur les matériaux dans diverses tâches MI, par exemple, prédire les propriétés physiques de petites molécules, polymères et matériaux cristallins inorganiques en utilisant des données de matériaux extrêmement limitées.
